Как искусственный интеллект меняет жизнь в Японии: примеры трёх проектов

Помощник для офиса, робот-уборщик рабочего стола и «умный» город.

Японцы не просто трудолюбивы, а маниакально трудолюбивы. С 2014 года в Японии действует специальный закон о мерах по предотвращению смерти от переутомления на работе. С одной стороны, это объясняет большое число исследований и новых разработок в области искусственного интеллекта, а с другой — является национальной необходимостью.

Ещё один повод активно вести исследования — прогнозы развития рынка. Американская консалтинговая компания Global Market Insights на пороге 2018 года говорила о ежегодном росте рынка технологий искусственного интеллекта на 20% и его стоимости в $24 млрд к 2024 году. Чтобы показать, как далеко ушли японцы в разработках искусственного интеллекта, можно привести три примера.

Персональный помощник для офисных работников

Робота-помощника разработали несколько сотрудников центра технологических инноваций компании Hitachi. Его идея проста: минимизировать время, которое тратят офисные работники на свою непрофильную работу, например, оформление командировок.

Несмотря на множество программ, упрощающих административные процедуры, таких как, CRM- и ERP-системы, сотрудник всё равно не обходится без звонка коллегам и тратит много времени на составление заявки, покупку билетов или подготовку отчёта.

Робот-помощник требует от сотрудника только ввода основной информации, которая укладывается в несколько строк: даты начала командировки, её цели, место проведения и необходимые расходы, например, обед. Все остальные операции происходят автоматически.

Технически виртуальный робот состоит из трёх самообучающихся подсистем:

• «вопрос-ответ», фактически чат, которым пользуются сотрудники для решения рабочих вопросов;
• подсистема обработки входящих запросов;
• подсистема передачи информации в существующие программные продукты.

Самая сложная задача — обработка первичного запроса. Робот должен найти информацию о сотруднике, его рабочем графике, адресе, должности, составить оптимальный маршрут поездки, подобрать билеты, определить расходы. Следующий шаг — «стыковка» с существующими бизнес-процессами и приложениями для оформления документов и прохождения других формальных процедур.

Подобная архитектура характерна для целого направления систем искусственного интеллекта — RPA (Robotic Process Automation). Компания Blue Prism, которая и ввела в оборот этот термин, разрабатывает одноимённую «операционную систему для цифровой рабочей силы».

Её суть сводится к полной замене сотрудника цифровым роботом, который может учиться, общаться и выполнять полезные операции в режиме 24 на 7. В случае с японским проектом, робот полностью может заменить офис-менеджера, который оформляет командировки для других сотрудников.

Прототип японских инженеров работает с помощью чатов с открытым исходным кодом Hubot и Rocket.Chat. Вторая и третья подсистемы созданы в соответствии с бизнес-процессами компании. Итоговый результат работы прототипа — сокращение рабочего времени на оформление командировки на 57%. По версии авторов проекта в среднем это занимает 15 минут в день, что в пересчёте на число рабочих дней в году даёт экономию в 34,2 часа для каждого сотрудника.

Робот, мотивирующий на уборку рабочего стола

Учёные из университета Тохоку и университета Ивате использовали реального робота, который, согласно гипотезе, мотивирует людей держать своё рабочее место в чистоте.

Не нужно быть специалистом, чтобы проверить, снижается ли производительность, если на столе помимо документов, ноутбука и канцелярии стоит кружка, тарелка, часы и другие предметы.

Японским авторам проекта ответ на этот вопрос кажется очевидным — производительность точно снижается. Особенно если стол используется не одним, а несколькими людьми, что в японских офисах не редкость.

Робот должен располагаться на столе, поэтому одно из важных функциональных требований — его небольшой размер. Для эксперимента авторы использовали мобильного робота Moway, похожего на компьютерную мышь. На рабочем столе также располагаются канцелярские принадлежности: фломастеры, ножницы, клей, линейка, ручки и карандаши.

В начале эксперимента человек садится за стол и через пять минут выходит, например, за кофе. В этот момент робот анализирует, какие предметы разбросаны на столе, и скидывает их на пол. После этого робот возвращается в начальную точку.

Авторы используют подход human-robot interaction. Главная мысль: роботы не могут бесконечно убирать за людьми. Точнее, если человек вступает во взаимодействие с роботом, то процесс любой уборки становится более продуктивным.

Цель такого подхода: с одной стороны, изменить поведение человека, а с другой — научить робота лучше понимать «правила» человеческой жизни. Именно поэтому стратегия работы — «отрицательная обратная связь». Лучшей мотивацией прибраться на столе по версии японских учёных становится полная невозможность работать за ним до того, как всё будет приведено в порядок.

Алгоритм робота строится на том, что определённая часть стола должна оставаться свободной. При этом на столе могут быть предметы, которые не мешают работать, а значит, не будут сброшены на пол. Для рационального размещения таких предметов робот обладает функцией транспортировки, то есть перемещает их по столу на небольшое расстояние.

Авторы проекта не скрывают его недостатков: часть сброшенных предметов может разбиться или повредиться, человека может раздражать своевольное перемещение по столу личных предметов или само наличие робота может вызывать негативные эмоции.

Тем не менее результаты эксперимента показались учёным убедительными. P-значение статистической модели корреляции между поведением робота и разбросанными на столе предметами составило 0,004, что, по мнению авторов, доказывает увеличение мотивации содержать стол в порядке, если на нём есть такой «робот-вредитель».

Прогноз «когда, где, что» для комфортной жизни в больших городах

Ещё одна область применения искусственного интеллекта — прогнозирование событий на основе пространственно-временного анализа массива данных в режиме реального времени. Этой темой занимается группа японских учёных Кембриджского университета.

В качестве массивов данных учёные использовали разного рода датчики, GPS-трекеры, открытые данные мобильных сетей. Именно многомерность данных, их разрозненность, часто — фрагментарность — признаки массивов данных, с которыми работают авторы проекта.

Первым объектом для изучения стали мусоровозы японского города Фудзисава. Каждый такой автомобиль имеет датчики загрязнений воздуха, уровня шума, температуры, влажности, солнечного излучения и GPS-трекер. К этому перечню был добавлен также микрофон.

С помощью такого оснащения учёные получают сведения об уровне экологической нагрузки в разных районах города, а также весе и даже составе мусора. Данные о загрязнении воздуха в дальнейшем используются для прогнозирования экологической ситуации, в том числе в зависимости от погодных условий.

Такая система может пригодиться городам, где размещаются опасные химические производства, чтобы быстро принимать решение об эвакуации людей и мерах устранения ядовитых выбросов.

Ещё одна важная для японцев тема — управление отходами. Сегодня вес собранных отходов измеряется, только когда машина приходит на мусоросжигательный завод. Микрофон на мусоровозе нужен для точного определения времени работы специальной пластины, которая уплотняет мусор.

Анализ таких записей позволяет в автоматическом режиме определить, какой вид отходов (горючие, негорючие, бумага, стекло, пластик) собирался в конкретный день и каков был их вес в каждой точке сбора. Набор таких данных — идеальная основа для оптимизации маршрутов, планирования загруженности мусоросжигательных заводов, а также для прогнозирования динамики роста или снижения отходов в будущем при росте или сокращении численности населения.

Мобильные сети городов Осака и Токио стали источниками данных для прогнозирования плотности пешеходного движения. Операторы публикуют агрегированные данные расположения 60 млн мобильных телефонов в 500-метровой сетке городских кварталов, скрывая при этом местоположение отдельных устройств.

Модель прогнозирования плотности движения, как и другие модели авторов проекта, работает на методе опорных векторов. Системы искусственного интеллекта могут обучаться на потоковых данных, благодаря чему повышается достоверность прогнозов.

Такие системы могут применяться для построения моделей оптимальных маршрутов эвакуации при чрезвычайных ситуациях или, например, на стадионах. История этого японского проекта началась ещё в 2011 году, когда Великое восточно-японское землетрясение магнитудой 9,0-9,1 разрушило автомобильные и железные дороги. Это привело к полному хаосу: пострадавшие не могли проложить доступные и безопасные маршруты, что ещё больше осложнило восстановление территории.